1.一种成像系统,其包括:
成像模态,其被配置为生成目标对象的图像数据集;以及
至少一个存储器设备,其包括指令,所述指令在由至少一个处理器执行时使所述成像系统使用迭代重建技术重建所述目标对象的图像,所述迭代重建技术包括作为正则化器以重建所述目标对象的所述图像的机器学习模型,
其中,在生成所述图像数据集之前,使用学习数据集训练所述机器学习模型,以定义对象特征和/或去除重建伪影,所述学习数据集包括与要使用所述成像模态成像的所述目标对象有关的图像数据,并且
其中所述机器学习模型被包括在所述迭代重建技术中,以将所述对象特征引入到正在重建的所述目标对象的所述图像中和/或从正在重建的所述目标对象的所述图像中去除重建伪影。
2.根据权利要求1所述的系统,其中所述机器学习模型是卷积神经网络即cnn,或者其中所述机器学习模型使用欧几里得损失函数被训练为回归网络。
3.根据权利要求2所述的系统,其中用于训练所述cnn的所述学习数据集包括重建的图像体积和地面实况图像体积的二维切片即2d切片。
4.根据权利要求2所述的系统,其中用于训练所述cnn的所述学习数据集包括重建的图像体积和地面实况图像体积的三维体积即3d体积。
5.根据权利要求2所述的系统,其中在用于重建所述目标对象的所述图像的重建过程的迭代之后,将所述cnn的输出作为输入提供到所述重建过程的下一次迭代。
6.根据权利要求1所述的系统,其中所述迭代重建技术包括在所述迭代重建技术的不同阶段用作正则化器的多个机器学习模型。
7.根据权利要求1所述的系统,其中所述迭代重建技术包括至少一个非机器学习正则化滤波器,所述至少一个非机器学习正则化滤波器用作重建所述目标对象的所述图像的一部分。
8.根据权利要求1所述的系统,其中所述成像模态包括以下各项中的至少一项:计算机断层摄影扫描仪即ct扫描仪、锥形束ct扫描仪、断层合成系统或超声成像系统。
9.根据权利要求1所述的系统,其中所述至少一个存储器设备包括指令,所述指令在由所述至少一个处理器执行时使所述成像系统:
将使用所述成像模态生成或获得的所述图像数据集发送到至少一个远程服务器,所述图像数据集是测量的成像数据、处理后的测量的成像数据,或重建的成像数据中的至少一个,其中所述图像数据集被包括在所述学习数据集中,并且所述机器学习模型使用所述学习数据集进行训练;
接收使用包括所述图像数据集的所述学习数据集训练的所述机器学习模型;并且
将所述机器学习模型并入所述迭代重建技术中。
10.一种计算机实施的方法,其包括:
接收使用成像模态生成的目标对象的图像数据集;并且
使用迭代重建技术重建所述目标对象的图像,所述迭代重建技术包括作为正则化滤波器的机器学习模型,所述机器学习模型部分地用于重建所述目标对象的所述图像,
其中在接收所述图像数据之前,使用学习数据集训练所述机器学习模型,所述学习数据集具有与要使用所述成像模态成像的所述目标对象相关联的图像数据,所述学习数据集提供用于训练所述机器学习模型的对象数据,并且
其中所述机器学习模型被包括在所述迭代重建技术中,以将对象特征引入到正在重建的所述目标对象的所述图像中和/或从正在重建的所述目标对象的所述图像中去除重建伪影。
11.根据权利要求10所述的方法,进一步包括在执行所述迭代重建技术期间,使用由所述成像模态生成的所述图像数据更新所述机器学习模型,其中在所述迭代重建技术的一个或多个阶段期间,使用所述图像数据训练所述机器学习模型。
12.根据权利要求10所述的方法,其中训练所述机器学习模型进一步包括:
使用模拟器和图像体积生成重建的图像;
根据所述重建的图像和地面实况图像生成图像;并且
使用所述图像训练所述机器学习模型,其中所述图像是沿轴向平面切片的二维图像即2d图像和3d体积图像中的至少一个。
13.根据权利要求12所述的方法,进一步包括使用随机梯度下降训练所述机器学习模型。
14.根据权利要求12所述的方法,进一步包括使用具有标准差为
15.根据权利要求12所述的方法,进一步包括使用从先前训练数据集获得的权重设置所述机器学习模型的初始权重。
16.根据权利要求14所述的方法,其中所述重建的图像提供用于重建所述目标对象的所述图像的中间解,并且所述重建的图像用于调整权重以教导所述cnn确定所述地面实况图像提供的地面实况。
17.根据权利要求15所述的方法,其中,所述cnn包括用于计算地面实况预测的差的平方和的欧几里得损失层,其中,欧几里得损失给出为
18.根据权利要求10所述的方法,其中用于训练所述机器学习模型的所述学习数据集包括至少两个学习数据集,其中第一学习数据集包括提供地面实况数据的较高质量的数据集,与所述第一学习数据集相比,第二学习数据集包括较低质量的数据集,所述第二学习数据集为所述机器学习模型提供训练输入数据。
19.根据权利要求18所述的方法,其中所述较高质量的数据集包括与所述目标对象相关联的对象的高剂量成像扫描,所述较低质量的数据集包括与所述目标对象相关联的所述对象的低剂量扫描。
20.根据权利要求18所述的方法,其中所述学习数据集包括与所述目标对象相关联的对象的锥形束计算机断层摄影扫描即锥形束ct扫描。
21.根据权利要求18所述的方法,其中所述学习数据集包括要使用所述成像模态成像的所述目标对象的断层合成重建。
22.根据权利要求10所述的方法,其中用于训练所述机器学习模型的所述学习数据集包括至少两个学习数据集,其中第一学习数据集包括提供地面实况数据的较低质量的数据集,与所述第一学习数据集相比,第二学习数据集包括较高质量的数据集,所述第二学习数据集为所述机器学习模型提供训练输入数据。
23.一种非暂时性机器可读存储介质,其包括在其上体现的指令,所述指令在由一个或多个处理器执行时:
接收使用成像模态生成的目标对象的图像数据集;并且
使用迭代重建技术重建所述目标对象的图像,所述迭代重建技术包括作为正则化器的卷积神经网络即cnn,所述cnn部分地用于重建所述目标对象的所述图像,
其中所述cnn使用学习数据集进行训练,所述学习数据集具有与要使用所述成像模态成像的所述目标对象相关联的图像数据,所述学习数据集提供用于训练所述cnn的对象数据,并且
其中,所述cnn被包括在所述迭代重建技术中,以将对象特征引入到正在重建的所述目标对象的所述图像中和/或从正在重建的所述目标对象的所述图像中去除重建伪影。
24.根据权利要求23所述的非暂时性机器可读存储介质,其进一步包括指令,所述指令在由所述一个或多个处理器执行时使所述一个或多个处理器进一步:
正向投影地面实况图像体积以产生二维投影集即2d投影集;
确定所述图像数据集和所述2d投影集之间的差;
通过将所述差反投影到三维空间中得到更新体积;
将所述更新体积并入所述目标对象的事实图像的重建中;并且
将所述cnn作为正则化滤波器应用于所述图像的所述重建,以产生所述图像的更新后的重建。
25.根据权利要求24所述的非暂时性机器可读存储介质,进一步包括指令,所述指令在由所述一个或多个处理器执行时使所述一个或多个处理器进一步利用与要使用所述成像模态进行扫描的患者相关联的患者数据集扩充学习数据集。